标签： #混合专家

单一全球因子模型默认「一套权重解释所有市场」，但牛市、危机、低波动期的因子暴露本就不同。本文用 MoE（Mixture of Experts）把组合拆成 K 个线性专家 + 一个门控网络：门控依据可观测的市场状态变量稀疏激活对应专家。在含状态切换的合成数据上，MoE 测试 MSE 为 0.042，远低于单一全局模型的 18.493（降低约 100%），且门控热图证明它确实学到了 market state。附完整 numpy 与四张真实计算图。

因子池越铺越大，但同一时刻真正能预测收益的因子往往只有少数几个，而且会随市场状态切换。稀疏专家路由（Sparse Expert Routing）用一个小门控网络依据可观测市场上下文，动态给每个因子打路由权重、再只保留 top-k 个做预测——既压缩噪声又保留适应性。本文用纯 numpy 从零实现一个带负载均衡损失的 MoE 因子路由，在受控数据上证明：稀疏 top-3 路由 OOS IC 达到 0.315（Oracle 上界 0.678、无均衡的稠密门控仅 0.190），且负载均衡损失把门控塌缩风险压下去。附完整 Python 与四张真实计算图。